吴恩达表示AI是时候从大数据转向小数据了，目前面临着哪些困难？举几个之前接触过的例子：机场安检x光识别系统，机场方提供半年的x光图片做训练，半年中真正带小刀，酒等过安检的样本只占总样本不到5%。信用卡反欺诈，真实场景下，欺诈样本总数不会超过正常样本的1%通过AI找出生产线上某零件中的残次品，关于零件的图片在项目开始前啥都没有，项目负责人承诺可以根据要求和行业专家对残次品的定义临时去拍。不是不想用大数据去大水漫灌大模型，是条件不允许呀。这些场景中，更关键的是通过行业专家的知识正确定义问题，并指引这些行业专家提供能解决问题的少量高质量样本训练模型。个人理解：基于小数据开发AI模型是趋势，更是目前工业AI的现状。
从目前已经落地应用的AI软件来看，主要存在以下几个方面的问题：对于应用场景的依赖性较强。目前对于应用场景的要求过高是AI软件落地应用的重要障碍之一，这些具体的要求不仅涉及到数据的获取，还涉及到网络通信速度以及相关“标的物”的配备。随着5G通信的落地应用和物联网的发展，未来场景建设会得到一定程度的改善。技术成熟度不足。目前有不少所谓的AI软件，实际上更多的是基于大数据技术的一种拓展，所以给用户的应用体验往往是“智商偏科、情商为零”。当前由于人工智能的技术体系尚未完善，所以AI软件要想达到一定的成熟度还需要很长一段时间。当前在生产环境下，有很多AI产品依然存在较大的缺陷，不少行业专家依然不敢大面积使用人工智能产品。
对于应用人员的技术要求比较高。目前很多人工智能产品需要进行二次开发（编程），这个过程往往需要使用者有一定的技术积累，这也是导致当前人工智能产品落地困难的一个重要原因，尤其是对于广大的中小企业用户来说，搭建一个技术团队往往并不现实。要想解决人工智能产品（软件）存在的这些问题，除了要完善目前人工智能产品的应用场景之外，还需要行业专家参与到人工智能产品的研发中，这是解决人工智能产品落地应用的必要环节。随着当前不少人工智能开发平台的推出，未来将有大量的人工智能应用推向市场，这也会在很大程度上推动人工智能产品的落地应用进程。